MultiCheXNet：一种用于 X 射线扫描中肺炎类疾病诊断的多任务学习深度网络
计算机视觉与模式识别
2020-08-06 v1 机器学习
图像与视频处理
摘要
我们提出 MultiCheXNet，一个端到端的多任务学习模型，能够在单一神经架构中利用不同肺炎类疾病的 X 射线数据集，同时执行三项任务：诊断、分割和定位。我们架构中的共享编码器可以捕获不同任务中有用的共同特征。该共享编码器还具有高效计算的优势，与独立模型相比加快了推理时间。专用的解码器头则可以捕获特定于任务的特征。我们采用教师强制（teacher forcing）来解决负样本损害分割和定位性能的问题。最后，我们采用迁移学习在未见的肺炎类疾病上微调分类器。该 MTL 架构可以在联合或 disjoint 标注数据集上训练。架构的训练遵循精心设计的协议，在不同子模型于专用数据集上预训练后，再集成到联合 MTL 模型中。我们的实验设置涉及多种数据集，将三项任务的基线性能与 MTL 架构性能进行比较。此外，我们评估了迁移学习模式在 COVID-19 数据集上的表现，包括从独立分类器模型和从 MTL 架构分类头两种情况。
引用
@article{arxiv.2008.01973,
title = {MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like Diseases Diagnosis From X-ray Scans},
author = {Abdullah Tarek Farag and Ahmed Raafat Abd El-Wahab and Mahmoud Nada and Mohamed Yasser Abd El-Hakeem and Omar Sayed Mahmoud and Reem Khaled Rashwan and Ahmad El Sallab},
journal= {arXiv preprint arXiv:2008.01973},
year = {2020}
}